理解目标检测算法之Light Head R-CNN

---

对于目标检测任务，输入图像通常都要经历３个步骤，Backbone + Head + Postprocess(NMS)，目标检测算法的优化，通常也是围绕着这３个方面展开的。针对Backbone的优化有DetNet，针对Head的优化有Light head R-CNN，针对Postprocess的优化有soft nms和softer nms。值得一提的是，除了soft nms，其余的几篇文章都是face ++出品，不愧是多届coco目标检测竞赛的冠军，确实厉害。本文接下来将只介绍Light head R-CNN，大家如果对其它文章感兴趣，也可以直接去读原文，一定会对目标检测任务有更多的感悟。

1 动机

对于two-stage的目标检测算法，常见的有Faster R-CNN和R-FCN。当图像中的proposals个数增加时，Faster R-CNN的计算量会迅速增加，R-FCN虽然解决了Faster R-CNN中存在的重复计算问题，但是backbone最终的特征图channels较大，导致计算量也比较大。

Light Head R-CNN是Faster R-CNN和R-FCN的结合体，主要的改进点包括２点，（１）per-Roi RCNN subnetwork计算量尽可能多地共享；（２）整个目标检测网络的head部分channels个数减少。

2 网络结构

网络结构如下图，同R-FCN相比，它有两个不同的地方，（１）使用large separable convolution 层，得到channels个数更少的feature maps。这里需要提一下，因为这里用的滤波器尺寸较大，文章中设置为15，所以得到的feature maps信息更加丰富，原文中是这么表述的，“Benefit from the larger valid receptive field caused by large kernel, the feature maps we pooled on are more powerful”，该网络层的结构如下图；（２）在R-CNN subnet中使用１个FC层，然后基于该层特征做分类和回归任务。
关于Light head R-CNN完整的网络结构，这里引用原文中的图，其中，PSRoi指“position-sensitive Roi”，
从图中可以看出，Faster R-CNN和R-FCN的head部分，都经过了global average pool操作，而Light head R-CNN的head部分，将feature maps做reshape操作，然后接全连接层，因此保留了更多的位置信息。读者看到这里可能会困惑，如果是490个channels，此时的计算量会比R-FCN（81个channels）更大，又岂能称之为light-head呢？这里的图画的有歧义，事实上，文中主要采用了PSRoi pooling操作，作者也指出，如果使用RoI pooling操作，可以先减轻R-CNN的负担（参见原文中的描述，”Considering PSRoI pooling on thin feature maps, we can bring more computation to strengthen R-CNN and decrease the channels. In addition, if we apply RoI pooling on our thin feature maps, we can reduce R-CNN overhead and abandon Global Average Pooling to improve performance simultaneously“）。

3 实验结果

论文中的实验做的是比较充分的，具体的实验结果参见下图，实验采用了两种backbone结构，xception和resnet101，（1）当使用xception网络结构提特征时，作为轻量型的two-stage目标检测算法，同轻量型的one-stage的目标检测算法ssd和yolo v2比起来，它在速度和精度上完胜对手；（2）当使用resnet101网络结构提特征时，由于backbone比较重，此时应该和当前效果较好的模型pk了，作者选择了faster rcnn和retinanet，此时效果也胜出。正如论文霸气的题目"Light-Head R-CNN: In Defense of Two-Stage Object Detector"，以前常说，”对于目标检测算法，one-stage的速度快，two-stage的精度高“，看来得修正自己的知识库了。

4 个人总结

本文的创新性并不是很大，只是综合了已有的文章中的想法，包括Faster rcnn、R-FCN、inception v2，但是从效果上来说，还是很有说服力的。值得一提的是，作者稍微修改几处，模型的mAP就能有很大的提升，比如作者复现的R-FCN比R-FCN原文中的mAP提升了3个点，可见作者的调参技巧是很厉害的，向大牛看齐，大家一起加油吧。

参考资料：

https://arxiv.org/abs/1711.07264

https://megvii.com/newscenter/e2da1146-7209-44b1-aac5-1f4aab6d091a